Diabetic cardiomyopathy (DCM) is pathologically characterized by excessive deposition of extracellular matrix proteins, leading to myocardial fibrosis. Fibromodulin (Fmod) plays a crucial role in the pathogenesis of fibrotic diseases. However, the role and mechanism of Fmod in DCM‐related myocardial fibrosis remain unclear. In the present study, we established a DCM rat model and an in vitro model of rat primary cardiac fibroblasts (RPCFs) exposed to high glucose. We assessed mRNA and protein expression levels of Col1a1, Col3a1, α‐SMA and Fmod in both models. Fmod ‐overexpressing (ov‐Fmod) and Fmod ‐knockdown (si‐Fmod) rat cardiac fibroblasts (RCFs) were generated. Subsequently, whole RNA sequencing was conducted on ov‐Fmod RCFs. The gene Col15a1 was evaluated in the DCM rat and all cell models. The correlation between plasma levels of Fmod and Col15a1 in DCM rat models was assessed. Transcription and protein levels of Fmod, Col1a1, Col3a1 and α‐SMA were significantly elevated in DCM rat hearts and RPCFs. In ov‐Fmod RCFs, fibrosis markers were similarly increased, except for Col3a1, which decreased. The Col1a1/Col3a1 ratio was elevated. Conversely, knocking down Fmod yielded opposite results. Gene Ontology and Kyoto Encyclopedia of Genes and Genomes analyses indicated that Fmod participates in multiple fibrosis‐related pathways, affecting Col15a1. Expression of Col15a1 was significantly decreased in all models, compared to controls, except in si‐Fmod RCFs. Importantly, Col15a1 and Fmod in plasma exhibited an inverse relationship in DCM. In summary, Fmod is implicated in DCM, with Fmod overexpression downregulating Col15a1 and increasing the Col1a1/Col3a1 ratio. This mechanism may influence diastolic heart failure in DCM by modulating myocardial stiffness and elasticity.

High-precision indoor positioning is essential for various applications, such as the Internet of Things, robotics, and smart manufacturing, requiring accuracy better than 1 m. Conventional indoor positioning methods, like Wi-Fi or Bluetooth fingerprinting, typically provide low accuracy within a range of several meters, while techniques such as laser or visual odometry often require fusion with absolute positioning methods. Ultra-wideband (UWB) and Wi-Fi Round-Trip Time (RTT) are emerging radio positioning technologies supported by industry leaders like Apple and Google, respectively, both capable of achieving high-precision indoor positioning. This paper offers a comprehensive survey of UWB and Wi-Fi positioning, beginning with an overview of UWB and Wi-Fi RTT ranging, followed by an explanation of the fundamental principles of UWB and Wi-Fi RTT-based geometric positioning. Additionally, it compares the strengths and limitations of UWB and Wi-Fi RTT technologies and reviews advanced studies that address practical challenges in UWB and Wi-Fi RTT positioning, such as accuracy, reliability, continuity, and base station coordinate calibration issues. These challenges are primarily addressed through a multi-sensor fusion approach that integrates relative and absolute positioning. Finally, this paper highlights future directions for the development of UWB- and Wi-Fi RTT-based indoor positioning technologies.

We investigated polarization-maintaining nanofibers drawn from PM1550-XP fibers. Results show that as the diameter decreases from 1.1 to 0.55 μm, the polarization extinction ratio remains stable above 20 dB even under bending conditions. In contrast, non-polarization-maintaining fibers exhibit a significant decrease in polarization retention with reduced diameter. This study indicates that the polarization-maintaining nanofibers retain their polarization properties regardless of diameter reduction and external disturbances, compared to ordinary nanofibers. These findings reveal that the bending-induced birefringence disturbs the polarization state of the transmitted light in the transition region rather than in the waist region of a tapered fiber.

Aspect-based sentiment analysis aims to extract the sentiment polarity of different aspects within a text. In recent years, most methods have relied on pre-trained language models such as BERT and Roberta to learn semantic representations from the context. However, in texts with ambiguous sentiment expression, the absence of domain knowledge guidance may lead pre-trained language models to miss critical information, and the attention mechanism might incorrectly focus on text that is irrelevant to the aspect categories. To address these issues, this study integrates the ontology of movie reviews to construct an aspect-based sentiment analysis model based on the ERNIE(OMR-EBA). We annotated a new Chinese data set focused on movie reviews to evaluate the model’s performance. Experimental results show that our model achieves 86% accuracy in aspectual sentiment analysis, which is better than other baseline models. The movie review domain ontology and aspect-based sentiment analysis model proposed in this study can provide valuable reference and guidance for research in the field of online movie reviews. It can also help movie production teams understand genuine user sentiments, aiding in subsequent marketing and production efforts.